文/于泽田 作者供职于全球能源互联网集团
王建明 丛威 作者供职于中国海油集团能源经济研究院
胡坤 梁中兴 作者供职于中电建新能源集团股份有限公司
谭新 作者供职于中国石化集团咨询有限责任公司
碳排放权定价指对温室气体排放以每吨二氧化碳当量为单位给予明确定价的机制，包括了碳市场定价、碳税及碳信用机制等。相比于碳税“固定税率，放开配额”的做法，碳市场定价“固定配额，放开价格”，可以更明确地形成总量约束和反映碳资产价值。
碳交易价格是碳市场的最直观信号。对于碳市场买卖主体而言，碳交易价格直接关系到其生产排放成本或碳排放权配额出售收益最大化；对于政策制定者而言，碳交易价格是反映碳市场供求关系变化以及是否健康运行的重要指标。因此，如何有效地预测碳交易价格成为碳市场相关从业者的重要关注点。
当前，碳交易价格预测相关领域的研究通常包括碳交易价格影响因素的分析以及基于影响因素开展碳交易价格预测建模。其中，碳交易价格影响因素选取以及碳交易价格预测模型的分类方法均存在一定的共识。但是，由于相关研究通常局限于某个具体碳市场为研究对象，研究结论由于对象和方法的不同而有所差异，较难直观比较不同碳交易价格预测模型的优势和缺陷，缺少对于文献的全面统计比较。
本文研究基于中国知网及谷歌学术中英文关键词检索的文献统计结果，创新碳价影响因素和预测模型的分类方法，统计梳理国内外碳交易价格相关影响因素及预测模型研究现状，按照“固有属性、外部指标、舆论事件、混合因素”对影响因素进行归类，并按照“回归模型、神经网络模型、回归—神经网络混合模型、其余模型”的分类模式对碳交易价格预测模型相关研究进行综合评价。
国际碳排放权交易，可追溯至1997年《京都议定书》中规定的国际碳排放权交易机制（International Emission Trading，IET）。该机制为发达国家与发展中国家建立碳排放权交易市场奠定了基础，并赋予二氧化碳以商品属性与排放产权。
根据国际碳行动伙伴组织（ICAP）报告，2024年全球共36个在运碳市场，覆盖全球范围18%的温室气体排放量。
中国的全国碳市场于2021年7月16日正式启动。还有第一批北京、天津、上海、重庆、湖北、广东、深圳、福建8个地方试点碳排放权交易市场（以下简称地方碳市场）。目前，全国碳市场和地方碳市场并存，但2024年2月起明确不再新建地方碳交易市场，纳入全国碳排放权交易市场的行业和企业不再参加地方的试点碳市场。
2023年，全球约2/3的碳市场平均价格低于10美元/吨，约1/6平均价格位于10～70美元/吨，另外1/6平均价格高于70美元/吨。就我国而言，随着我国碳排放权交易相关政策配套和市场运行机制的不断完善，全国碳市场交易规模和交易价格均逐步攀升，而地方碳市场碳价及成交量变化存在明显差异。
2024年上半年全国碳市场月均成交量、月均参与交易重点排放单位数量较2022年同期分别上涨49.54%、90.79%，综合价格收盘价于2024年4月24日首次突破100元/吨。
根据碳价政策高级别委员会测算，若达到《巴黎协定》的温升目标，2030年碳价须达到50～100美元/吨。就我国而言，郑晓奇等研究表明碳定价过低无法发挥碳价的减排效果。而碳定价过高则给火电厂带来过高的近期成本，建议我国碳价在60～125元/吨之间运行。唐葆君等通过电—碳联合系统动力学模型测算，预计2030年我国碳价上涨至118~200元/吨。Qin等融合极限学习机（ELM）及CGE模型，预测了中国2060年非碳中和场景及碳中和场景下的碳价区间分别为343~785元/吨和1543~3531元/吨。
碳交易价格（以下简称碳价）影响因素的研究，是其预测模型的基础。在大多碳交易价格影响因素的研究中，通常采用“理论+实证”的研究方法，通过经济学理论及统计学方法验证不同变量与碳交易价格的相关或因果关系。
其不足和难点在于，对象和周期差异导致结论难以统一；缺乏全覆盖研究；推断结论容易混淆变量之间的关系。但就应用而言，目前预测模型的输入和预测结果计算通常不会对碳交易价格影响因素相关关系或因果关系做出要求。因此本文在统计相关碳交易价格影响因素时，并不区分其相关关系或因果关系，而是将两者统一表达为“影响因素”。
本文采用关键词“碳价”（Carbon Price），对2015—2023年中国知网及谷歌学术的碳交易价格影响因素研究相关文献进行统计分析。结果如图1、图2所示。就研究对象而言，中国地方碳市场及欧盟碳市场是较为主流的研究对象，分别占据了统计结果的44%和31%。中国全国碳市场由于2021年启动运行，历史数据相对有限，因此被选取为研究对象次数较少，单一的中国全国碳市场研究对象仅占样本的2%。
大部分文献通常集中于某一个碳市场做实证研究，仅7%的文献进行了不同碳市场间的交叉比较（统计口径不包括中国不同地方试点碳市场间的比较）。就碳交易价格影响因素而言，本文采用“市场固有属性—市场外部指标—市场舆论事件”的分类方法，对文献进行总结归类。
市场固有属性反映了碳市场的自身特质，例如碳市场本身的配额政策、履约周期、目标约束、产业结构、能源结构、减排技术、营商环境等。市场外部指标为客观的碳市场外部统计指标，例如能源价格、宏观经济数据、金融市场数据、气候数据、空气质量以及除研究对象之外的其余碳市场数据等。市场舆论事件是指随着信息化和互联网技术的发展，部分研究开始基于数据挖掘技术，将互联网特定关键词挖掘结果作为碳价预测模型的输入变量，以此量化前两类影响因素难以涵盖的突发政治事件、金融危机、能源危机、重要会议等对于碳交易价格带来的影响。
一是碳市场本身的政策规制。包括碳配额分配总量及分配方式、履约周期设定、碳配额储备或抵消制度等。彭晓洁等认为初始配额总量设定及分配方式直接影响着碳排放权供给，有偿分配更有利于提高温室气体减排义务主体的积极性，从而对碳价造成影响。
Song等通过中国上海碳排放权试点的实证研究，认为碳市场属于政策导向市场，碳价格的变化与碳排放分配政策密切相关。张宁等分析了全国碳市场引入配额拍卖机制的经济影响，认为配额拍卖机制有助于降低碳交易价格并激发碳市场活力。
二是对碳市场产生潜在影响的关联政策。主要包括经济、能源、环境等领域。张玲等研究了环境规制对中国试点碳市场价格波动的影响，结果显示环境政策对碳交易均价具有抑制作用。Li等通过因果关系研究证实了碳排放与自然资源租金、绿色投资、金融发展和能源投资的双向因果关系。
三是碳市场主体产业特点。包括碳市场主体的产业和能源结构画像、能耗强度、减排技术水平等。宋雅贤等通过对不同中国试点碳市场价格的研究发现其具有明显的时空集聚效应和显著空间相关性，产业结构、能源结构、工业产值、排控企业数量等是其重要的驱动因素。Lin等认为碳市场主体覆盖行业越多，碳交易价格越低。
四是碳市场主体营商环境。包括林业资源禀赋、对外贸易特点、城镇化水平、土地租金等。Nguyen等通过对欧洲六国碳市场的研究发现资本市场扩张和贸易开放是碳排放的主要驱动因素。Aller等通过对全球92个国家的面板分析，发现城市化水平对碳排放水平具有显著影响。
五是碳市场自身碳交易历史数据。主要包括历史价格和历史成交量数据，其中历史价格数据已成为目前主流碳价预测模型不可或缺的输入参数。向为民等通过中国试点碳市场的实证分析，证明碳市场自身历史价格对我国碳市场未来价格的影响最为显著。李朝鹏等，基于对深圳试点碳市场的研究，证明碳价本身对碳价变化影响最大，但持续时间极短。其作用机理解释为碳价变化主要是由投机者所主导的，投机主体的市场交易行为主要依据碳价本身的变化而相机抉择进行交易。
一是能源价格。包括煤炭、油气和电力价格等。
Zhu等通过对欧盟碳市场的实证研究，发现电价对碳价的影响效应出现较早，带动碳价从短时间尺度走强，而煤炭和油气价格影响滞后，主要从中长期尺度拉动碳价。许悦等通过对中国试点碳市场的实证研究，发现长期来看煤炭和石油价格对碳价均有正向影响。此外，碳价与煤炭和石油价格之间具有短期反向调整机制，即短期内煤炭和石油价格对碳价均有负向影响，但调整力度较小。
二是宏观经济。包括采购经理指数（PMI）、消费者物价指数（CPI）、国内生产总值（GDP）、收入水平等。王倩等通过对中国试点碳市场的研究表明，在服务业滞后且能源强度大的区域，宏观经济增长与碳价呈正相关关系；而第三产业发展较快的地区，经济增长与碳价的联系相对较弱。Zheng等通过对中国碳排放的研究表明经济增长是驱动能源相关二氧化碳排放的最主要因素。
二是金融市场。包括证券市场各类指数、汇率、利率等。Oberndorfer研究表明欧盟碳排放配额的价格与大部分欧洲电力企业的股票回报呈正相关。蔡彤娟等研究表明我国碳市场成立初期相对独立，但伴随中国股市以及信息技术的发展，碳市场与股市间相关关系越来越强。陈凡等进一步研究了中国不同股指点位对碳交易价格的影响，结果显示股市对碳市场的影响随着股指的上升而增加，且牛市中更多地体现正相关而熊市中更多地体现为负相关关系。
三是环境因素。包括极端天气、平均气温、空气质量等。夏睿瞳等研究表明中国试点碳市场的极端天气频率与碳价存在显著正相关和长期稳定的协整关系。Han等证实了中国试点碳市场对温度和空气质量指数存在较高的敏感性。Batten等通过对欧盟碳市场的研究表明，温度水平并不会影响碳价格，但剧烈的温度变化会影响碳价格。
四是其余碳市场交易数据。我国碳市场在建立之初充分借鉴了国际碳市场的经验，在机制设计方面与欧盟碳市场具有一定的可比性。邹绍辉等研究表明国际碳期货价格与国内碳价之间存在着长期的稳定关系，呈现出明显的单向因果关系；国内碳市场缺乏定价能力，因此其对国际碳期货市场影响较弱，处于被动地位。
一是可解释的突发事件或市场消息。吕靖烨等通过对湖北碳市场的实证分析，发现利空消息比利多消息更容易对碳市场带来较大的冲击。李旸等以欧盟碳市场为研究对象，验证了欧盟气候变化相关政策与欧盟碳市场价格在未受到疫情冲击的情况下存在格兰杰因果关系。
二是互联网搜索热度或新闻关键词频度。主要指与碳价相关的关键词的互联网搜索量或相关新闻文本数据量。刘金培等在碳价时序预测模型的基础上融入新闻文本数据情感值，获得了更为显著的预测效果。王娜等在模型中融入碳价相关关键词百度搜索指数，显示其对提高碳价预测效果有一定的作用。
在研究碳交易价格预测模型时，目前存在的分类方法大多将其分为计量经济学模型、机器学习模型和混合模型三类。然而，上述分类方式存在交叉（如回归模型既属于计量经济学模型也属于机器学习模型），难以直观体现模型所用的方法类别，并不适用于模型间的综述比较。此外，在许多文献中采用了不同方法（包括数据处理方法等）的模型即被认为是“混合模型”，例如采用两种神经网络方法的CNNLSTM组合模型。
本文构建了“回归模型、神经网络模型、回归—神经网络混合模型、其余模型”的分类模式，采用关键词“碳价预测”（Carbon Price Forecasting），对2015—2023年中国知网及谷歌学术的相关文献进行统计分析，结果如图3、图4所示。其中，回归模型指的是仅采用回归方法构建的模型，包括不同的线性和非线性方法的组合；神经网络模型指的是仅采用基于神经网络的方法构建的模型及其组合，回归－神经网络模型指结合了回归方法和神经网络的组合模型，其余模型指借助回归及神经网络之外的方法建立的模型，例如除回归方法之外的其余统计学模型。
从类别上看，神经网络模型成为当前碳交易价格预测模型使用的主要模型，占比达52%。其次为回归模型及回归—神经网络混合模型，分别占比25%和15%。从趋势上看，2020年前文献以回归模型为主，而2020年后神经网络模型文献数量显著上升。
在碳交易价格预测的实践中，主要存在以下难点。一是碳价影响因素作用效果在同一时期对不同的研究对象存在差异。例如，市场情绪在广东市场碳价格中起主要作用，而电力指数对湖北省碳价格变化影响较大，深圳市场的碳价波动则主要由空气质量状况引起。二是碳价影响因素的作用效果在同一研究对象的不同时期存在着差异。一些前期表现优异的预测因子很可能在其他时期成为冗余的解释变量。三是碳价影响因素的量化标准不统一。对于能源价格、金融市场、气候环境等影响因素，尽管具备不同的指标体系（如油气价格、股价、温度），但具体的指标选取以及数据预处理的方式仍然具备主观性。四是变量的可解释性差。碳价预测并非基于物理模型，变量间的相关性关系判定通常基于某特定数据集的假设验证和仿真结果的反推，难以解释不同变量对碳价影响的作用机理。五是变量的数据获取难度高且滞后。在金融数据量化分析中，股市K线等数据均可实时获取，从而使得模型可以利用实时数据增加其日内预测准确性。
然而，碳价预测模型中的变量通常为能源价格、宏观经济等长时间尺度数据，存在统计周期的延迟且时间尺度不统一，部分颗粒度较细的能源电力数据获取难度大的问题，难以满足现有的日频碳交易预测模型的需求。
由于碳交易价格预测的以上难点，部分基于以往特定数据集构建的碳价预测模型，尽管融入多变量后预测精度有所上升，但可能很难实际应用于碳市场主体的碳交易中。此外，尽管在一些研究中比较了不同模型的预测准确度，但由于研究对象、数据集、数据处理方法等不同，结论并不统一且难以具备普适性。
因此，需要综合比较不同类型碳交易预测方法的特点，以便根据实际情况选择最为合适的碳价影响变量和预测模型。
回归模型为统计学中估计变量之间关系的方法，通常用来预测一个或多个自变量（输入）与因变量（输出）之间的关系。回归模型可以是线性的也可以是非线性的，可以是计量经济学方法也可以是机器学习方法。常见的回归模型包括：结构自回归（SVAR）、面板自回归（PVAR）、自回归滑动平均模型（ARMA）、广义自回归条件异方差模型（GARCH）、局部线性回归（LLP）、决策树回归（DTR）、拉索回归（LASSO）、支持向量机回归（SVMR）等。回归模型对变量的可解释性强，但对非线性变量预测能力相对较弱，通常会采用额外的算法对模型进行优化。王小燕等在拉索回归模型的基础上结合图结构方法筛选关联度较高的变量，通过广州试点碳市场收盘价实证分析，证明了在保证模型准确的情况下，原模型得到了精简。王娜结合了Boosting算法对ARMA模型进行优化，通过欧盟碳市场实证分析显示结合了Boosting算法的ARMA模型预测准确性优于单一ARMA模型。
神经网络是机器学习领域下的一类方法，主要指模仿脑神经元结构和功能的计算模型。这些网络能够学习输入数据之间的复杂关系和模式，从而实现一些特定功能。在数据预测领域，通常采用前馈神经网络和反馈神经网络两种主要类型，各类型代表模型如表2所示。其中，前馈神经网络信号特点为信号只在一个方向流动，单向传递无反向连接；反馈神经网络不仅在层与层之间建立连接，还在层内神经元节点之间建立连接。尽管相关研究在底层神经网络模型选择方面具备相似性，但在训练集、变量选择、数据预处理方式、模型优化算法等选择方面仍存在较大差异，最终构建的碳交易价格预测模型并不相同。整体来看，长短期记忆网络（LSTM）、BP神经网络和极限学习机（ELM）为碳价预测中应用最多的神经网络模型。
就单一预测模型而言，一方面回归模型在碳交易价格的非线性特征表征方面并不具备显著优势，另一方面碳交易价格随着政策节点而产生的明显阶段性和高波动性，由特定数据集训练的单一神经网络模型在新阶段场景应用存在着不确定性。因此，部分学者开始采用回归模型及神经网络模型的混合模型，以便在增加模型对碳交易价格非线性预测准确性的同时，提高模型的普适性和可解释性。Huang和Ji等分别采用GARCH-LSTM混合模型和ARIMA-CNNLSTM混合模型对欧盟碳市场价格进行实证分析，结果均显示比单一模型具备更高的准确性。
